Relatório AM #9 - PMS

No Relatório AM dessa semana, iremos apresentar a perspectiva do setor de serviços nos últimos meses, e estimar previsões da PMS para o curto prazo. Como podemos ver na tabela abaixo, o setor de serviços foi o mais impactado pela pandemia, com uma queda dura causada pelo lockdown e medidas restritivas. O resultado que podemos extrair é de que, enquanto outros setores apresentaram redução de produção no estágio inicial da pandemia mas logo voltaram a estar ativos, o setor de serviços teve alguns meses adicionais de resfriamento, dado que as pessoas mudaram seu comportamento de consumo durante a pandemia. Com isso, enquanto a variação marginal da PMS está parecida com das outras pesquisas, a anual continua em nível ruim, pois o crescimento está ocorrendo a partir de um nível bem inferior ao pré-pandemia.

Uma consequência da produção do setor abaixo do normal é a (falta de) pressão sobre preços. O resultado teórico esperado é de que, como o setor de serviços não está aquecido, os choques que acarretam no alto nível de inflação atual teriam efeito reduzido sobre tais preços. Como podemos ver abaixo, com gráfico extraído do nosso monitor de inflação, serviços está tendo um comportamento diferenciado, com nível de inflação relativamente estável.

 

Para finalizar, vamos apresentar as estimativas para os próximos meses da PMS. O modelo utiliza tendências extraídas do Google Trends para prever os valores da variação anual da PMS, fazendo a previsão de um ARIMA sobre a série, utilizando componentes principais extraídos de um conjunto de pesquisas do Google Trends. As estimativas para os próximos meses a serem lançados (maio, junho e julho) são de cerca de -3.6%, -2.1% e -0.6%, como podemos ver abaixo:

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.